[go: up one dir, main page]

EP4060559A1 - Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes - Google Patents

Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes Download PDF

Info

Publication number
EP4060559A1
EP4060559A1 EP21162647.8A EP21162647A EP4060559A1 EP 4060559 A1 EP4060559 A1 EP 4060559A1 EP 21162647 A EP21162647 A EP 21162647A EP 4060559 A1 EP4060559 A1 EP 4060559A1
Authority
EP
European Patent Office
Prior art keywords
data set
training
state
power grid
artificial neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
EP21162647.8A
Other languages
English (en)
French (fr)
Other versions
EP4060559C0 (de
EP4060559B1 (de
Inventor
Mathias Duckheim
Manja Babea Schölling
Thomas Werner
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Priority to EP21162647.8A priority Critical patent/EP4060559B1/de
Priority to US17/694,294 priority patent/US20220292353A1/en
Publication of EP4060559A1 publication Critical patent/EP4060559A1/de
Application granted granted Critical
Publication of EP4060559C0 publication Critical patent/EP4060559C0/de
Publication of EP4060559B1 publication Critical patent/EP4060559B1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H02J13/10—

Definitions

  • the invention relates to a method for creating a training data set according to the preamble of patent claim 1, a method for training an artificial neural network according to the preamble of patent claim 12, an artificial neural network according to the preamble of patent claim 13 and a method for state estimation according to the preamble of patent claim 14.
  • a state estimation of an electrical supply network relates to a determination of the state of the power grid that is as complete and consistent as possible from a plurality of measurements.
  • the state of a power grid is characterized by the voltages and angles at its network nodes.
  • the state determined as part of a state estimation thus corresponds to an estimated value of the actual real state of the power grid.
  • a state estimation is used to determine the state that best matches the measurements or the measured values and the physical causal relationships in a power grid in terms of an optimization problem. Even if only an estimate of the actual state can be achieved, the determined, i.e. the estimated state of the power grid forms the basis for several higher-level grid applications, for example for security reports, voltage controls and/or preventive and corrective SCOPF (English: Security Constrained Optimal Power flow).
  • the state of a power grid is time-dependent, so that the state is typically estimated at regular time intervals.
  • known monitoring, control and data acquisition systems English: Supervisory Control and Data Acquisition; abbreviated SCADA
  • SCADA Supervisory Control and Data Acquisition
  • the technical challenge is that the state estimation must be done in real-time in order for the higher-level network applications to be applied and completed.
  • Another technical challenge is that the real-time state estimation must also have sufficient accuracy.
  • ANN artificial neural network
  • WLS Weighted Least Square
  • the reliability of the artificial neural network depends fundamentally on the training data set, by means of which it was trained, ie learned.
  • the present invention is based on the object of providing an improved training data set for an artificial neural network, which artificial neural network is provided for estimating the state of a power grid.
  • the object is achieved by a method for creating a training data set with the features of the independent patent claim 1, a method for training an artificial neural network with the features of the independent patent claim 12, an artificial neural network with the features of independent patent claim 13 and a method for state estimation with the features of independent patent claim 14.
  • Advantageous refinements and developments of the invention are specified in the dependent patent claims.
  • the method according to the invention and/or one or more functions, features and/or steps of the method according to the invention can be computer-aided.
  • the artificial neural network can be abbreviated to ANN in the following.
  • a training pair ( z t ,x t ) or a training data set is characterized by a measurement data set z t and an associated state x t of the power grid.
  • the basic time dependency of the measurement data sets and the associated states is identified by the index t . In the following, however, the index t is not written out for reasons of clarity.
  • P n is the nodal active power
  • Q n is the nodal reactive power of network node n .
  • the apparent power is defined by the amount of the complex apparent power.
  • the measurement data record includes the complex apparent powers in the sense that these can be taken from the respective measurement data record or can be determined from this, for example from active power and reactive power.
  • the artificial neural network is or was trained using the first training data set.
  • measurement data sets are fed to the ANN.
  • the ANN determines an associated state of the power grid from a supplied set of measurement data.
  • the states determined by the ANN have a respective error with regard to a test data set or an evaluation data set.
  • the first training data set can include the test data set, so that the training as a whole (training and test) takes place using the first training data set.
  • the training data set and the test data set are two separate or two different data sets.
  • the training pairs in particular of a validation data set or test data set, are determined which have an error greater than or equal to a specified error limit with regard to the training of the ANN or after training the ANN using the first training data set.
  • training pairs with a comparatively large error are determined.
  • a second state of the power grid is calculated using a load flow calculation (power system simulator) based on at least the changed complex apparent power with respect to the complex apparent power of the first measurement data set.
  • the complex apparent power associated with a training pair determined in the first step is modified numerically, as a result of which a new complex apparent power is formed.
  • a new, second state is calculated from this new complex apparent power using the load flow calculation.
  • the numerical change of the apparent power of the determined training pair or the associated one The measurement data set determined can be made by changing its real part (active power), its imaginary part (reactive power) and/or a combination of the changes mentioned.
  • a second measurement data set is calculated from the calculated second state using a measurement model of the power grid.
  • the measurement data record associated with the second state ie a new measurement data record
  • the measurement errors can be normally distributed.
  • the measurement model or the measurement model function is characterized in that it can be used to determine a measurement data set from a state.
  • the determined second measurement data set forms a new training pair together with the associated second state, namely the second training pair.
  • the second training pair formed in this way is added to the first training data set.
  • the first training data set is expanded by adding the new training pair, which is synthetically generated in this sense, to the second training data set.
  • the ANN or another ANN can be trained again using the second training data record, which is expanded compared to the first training data record.
  • An advantage of the present invention is that the second training data set for critical scenarios, ie for Training pairs, which have a comparatively large error, has more data due to its synthetic extension using the newly generated second training pair.
  • the accuracy of the artificial neural network trained using the second training data set is also improved for critical and therefore typically underrepresented events/scenarios.
  • the creation of the second training data record is therefore based on the technical consideration of providing further data for training the ANN for scenarios in which the ANN determines comparatively poor results (errors greater than the specified error limit), which are also typically rare.
  • the second training data set according to the invention includes more data in the worst cases (errors greater than the specified error limit), so that the accuracy of a correspondingly trained artificial neural network is improved in these critical cases.
  • a further advantage of the present invention is that a long and time-consuming collection of data for rare events, ie rare or underrepresented training pairs, is not required.
  • the training pairs can be synthesized in accordance with the present invention.
  • a corresponding state estimation which is based on an appropriately trained artificial neural network, can thus be implemented more quickly and easily for existing power grids. In particular, this also significantly reduces the costs for putting such state estimates into operation.
  • the artificial neural network trained according to the second training data set can also be used for other technical applications in which robust machine learning models are required, such as for security reports, voltage controls and/or preventive and corrective SCOPF (English: Security Constraint Optimal Power Flow).
  • robust machine learning models such as for security reports, voltage controls and/or preventive and corrective SCOPF (English: Security Constraint Optimal Power Flow).
  • the method according to the invention for training an artificial neural network for a state estimation of a power grid is characterized in that the artificial neural network is trained using a training data set (second training data set) according to the present invention and/or one of its configurations.
  • the artificial neural network according to the invention for estimating the state of a power grid which has measured values associated with the power grid as inputs and the estimated state of the power grid to be determined by the state estimation as output, is characterized in that the artificial neural network according to the present invention and/or one of its configurations is trained.
  • the method according to the invention for estimating the state of a power grid using an artificial neural network which has measured values associated with the power grid as inputs and the estimated state of the power grid to be determined by the state estimation as output, is characterized in that the neural artificial network used is an artificial neural network according to of the present invention and/or one of its embodiments.
  • the state estimation is thus based on recorded measured values and in this sense actually recorded measurement data.
  • the training pairs of the first training data set are each generated by a load flow calculation.
  • the first training data set is already a data set synthetically generated in this sense.
  • the training pairs are generated from synthetically generated complex apparent powers using a respective load flow calculation, the complex apparent powers being generated from historical and/or synthetic time series for generation and consumption.
  • the associated complex feed-in or complex apparent feed-out powers are first determined.
  • the time series can be generated historically and/or synthetically.
  • the time series are generated or provided by synthetic demand time series from photovoltaic systems, wind power systems, industrial systems, office systems and/or the like.
  • an associated complex apparent power S t,n ( P t,n ,Q t,n ) can be determined for a number of network nodes in the power grid, in particular for each network node in the power grid.
  • a state of the power grid is then calculated from these complex apparent powers using a load flow calculation F PF : S t,n ⁇ ( U t,n . ⁇ t,n ) .
  • This symbolically determines an actual or a true state x t ( U t,n , ⁇ t,n ) of the power grid.
  • the first training data set should preferably include at least 100, particularly preferably at least 1000 training pairs. According to an advantageous embodiment of the invention, at least one complex apparent power of the first measurement data record is changed by adding normally distributed random numbers.
  • At least one apparent power of a network node is changed by S t ⁇ S t + ⁇ S with ⁇ S normally distributed.
  • This results in the new apparent power S t ⁇ S t + ⁇ S , which is used as a basis for the load flow calculation according to the second step.
  • multiple states and thus multiple training pairs for the critical scenario S t can be added to the second training data set.
  • the at least one complex apparent power of the first measurement data set can preferably be changed by scaling.
  • S t ⁇ ⁇ S t with ⁇ the scaling factor.
  • ⁇ 1 - ⁇ where ⁇ measures the deviation from the original complex apparent power.
  • ⁇ [0,0.2] is preferred, which means that a maximum change/deviation of 20 percent is used.
  • one of the complex apparent powers of the first measurement data set is changed if its amount is greater than or equal to a specified threshold value.
  • the complex apparent powers are preferably changed at the network nodes whose network nodes have a comparatively increased apparent power in terms of absolute value.
  • the amount of the complex apparent power is the apparent power, so that the apparent power is increased at this network node. This is the case, for example, at network nodes at which there is increased feed-in, for example by renewable energy producers, or increased feed-out.
  • the errors associated with the states of the first training data set are determined by training the artificial neural network with the first training data set.
  • the first training data set preferably includes a test data set and a data set by means of which the training takes place.
  • the trained ANN is then checked using the test data set, i.e. evaluated. The errors mentioned are determined here.
  • the first training data set includes too little or no test data, it is preferable to divide it into two partial training data sets to determine the error, with the first partial training data set being used to train the artificial neural network and the second partial training data set (test data set) being used to evaluate the states determined by the training becomes.
  • test data set can advantageously be provided. For example, 70 percent of the training data is used for training and 30 percent of the data for testing or evaluating the states determined by training.
  • the complex apparent powers are formed by active powers and reactive powers associated with the network nodes.
  • the complex apparent powers are preferably formed by the nodal active powers and nodal reactive powers.
  • the first measurement data set and/or second measurement data set is associated with the network nodes and/or with lines of the power grid Voltages, currents, active power and / or reactive power formed.
  • the typically used measured values can advantageously be taken into account by the correspondingly trained artificial neural network, that is to say they can be used as inputs for determining the state.
  • the state of the power grid is formed by voltages and angles at one or more network nodes of the power grid.
  • the output of the correspondingly trained artificial neural network thus advantageously corresponds to a state of the power supply system as is typically defined and used.
  • FIG. 12 shows a schematic flow diagram of the present invention.
  • a second training data set for training an artificial neural system designed for a state estimation of a power grid Network from a provided second training data set, which includes a plurality of training pairs, each of the training pairs being formed by a measurement data set and an associated state of the power grid, and the respective measurement data set includes at least complex apparent powers associated with the power grid.
  • At least a first training pair and an associated first measurement data set and first state are determined, the first state of which has an error greater than or equal to a specified error limit with regard to training the artificial neural network using the first training data set.
  • a second state of the power grid is calculated using a load flow calculation based on at least one complex apparent power that has changed with respect to the complex apparent power of the first measurement data set.
  • the complex apparent power of a critical training pair can also be called the critical complex apparent power.
  • a second measurement data set is calculated from the calculated second state using a measurement model of the power grid.
  • the second training data set is created from the first training data set by adding a second training pair formed from the second measurement data set and the associated second state.
  • Steps S1 to S4 thus create a new training data set, ie the second training data set, which has more data with regard to critical training pairs/scenarios.
  • a correspondingly trained artificial neural network is improved in terms of its accuracy with regard to an estimation of the state of the power grid.
  • the figure 2 1 shows a schematic of a power grid 1 with its associated network nodes 41, only two network nodes of the power grid being identified by reference numeral 41 for reasons of clarity.
  • the figure 2 a training pair within the meaning of the present invention and/or one of its refinements, with only the apparent powers of the associated measurement data set being shown.
  • each network node 41 has an apparent power associated with it.
  • the power grid has network nodes 41 which have a comparatively high apparent power. These network nodes are additionally identified by reference number 42 in the figure. In other words, these network accounts 42 have an apparent power that is greater than or equal to a specified threshold. For example, there is such a comparatively high apparent power due to the feeding in of one or more photovoltaic systems. In other words, will in figure 2 a critical training pair within the meaning of the present invention is shown or illustrated.
  • the network nodes 42 have a comparatively high error, which means that their error is greater than or equal to a specified error limit. That's partly why This is the case because the network nodes 41 typically have a high variance with regard to the apparent power and/or their state and are still underrepresented within a training data set.
  • At least one apparent power preferably of a network node 42
  • a new power grid 1 comparable to the figure shown is formed with at least one, preferably several, changed apparent powers.
  • a new state is then determined by a load flow calculation and a new measurement data set is generated from the new state using a measurement model of the power grid 1 .
  • the new state and the new measurement dataset form a new training pair that can be used to train an ANN.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

Es wird ein Verfahren zum Erstellen eines zweiten Trainingsdatensatzes zum Trainieren eines für eine Zustandsschätzung eines Stromnetzes (1) ausgebildeten künstlichen neuronalen Netzes aus einem bereitgestellten ersten Trainingsdatensatz vorgeschlagen, wobei der zweite Trainingsdatensatz mehrere Trainingspaare umfasst, die jeweils durch einen Messdatensatz und einem zugehörigen Zustand des Stromnetzes (1) gebildet sind, und der jeweilige Messdatensatz wenigstens mit dem Stromnetz assoziierte komplexe Scheinleistungen umfasst. Das Verfahren ist gekennzeichnet durch die Schritte:- (S1) Ermitteln wenigstens eines ersten Trainingspaares und eines zugehörigen ersten Messdatensatzes und ersten Zustandes, dessen erster Zustand bezüglich eines Trainings des künstlichen neuronalen Netzes mittels des ersten Trainingsdatensatzes einen Fehler größer oder gleich einer festgelegten Fehlerschranke aufweist;- (S2) Berechnen eines zweiten Zustandes des Stromnetzes mittels einer Lastflussrechnung basierend auf wenigstens einer bezüglich der komplexen Scheinleistung des ersten Messdatensatzes geänderten komplexen Scheinleistung;- (S3) Berechnen eines zweiten Messdatensatzes mittels eines Messmodells des Stromnetzes aus dem berechneten zweiten Zustand; und- (S4) Erstellen des zweiten Trainingsdatensatzes aus dem ersten Trainingsdatensatz durch ein Hinzufügen eines aus dem zweiten Messdatensatz und dem zugehörigen zweiten Zustand gebildeten zweiten Trainingspaares.Weiterhin betrifft die Erfindung ein Verfahren zum Trainieren eines künstlichen neuronalen, Künstliches neuronales Netz sowie ein Verfahren zur Zustandsschätzung eines Stromnetzes (1) .

Description

  • Die Erfindung betrifft ein Verfahren zum Erstellen eines Trainingsdatensatzes gemäß dem Oberbegriff des Patentanspruches 1, ein Verfahren zum Trainieren eines künstlichen neuronalen Netzes gemäß dem Oberbegriff des Patentanspruches 12, ein künstliches neuronales Netz gemäß dem Oberbegriff des Patentanspruches 13 sowie ein Verfahren zur Zustandsschätzung gemäß dem Oberbegriff des Patentanspruches 14.
  • Eine Zustandsschätzung eines elektrischen Versorgungsnetzes (Stromnetz) betrifft eine möglichst vollständige und konsistente Ermittlung des Zustandes des Stromnetzes aus einer Mehrzahl von Messungen. Hierbei ist der Zustand eines Stromnetzes durch die Spannungen und Winkeln an seinen Netzknoten gekennzeichnet.
  • Messungen weisen grundsätzlich Messabweichungen auf, die insbesondere in Kommunikationsverzögerungen und/oder Konfigurationsfehlern begründet sind. Der im Rahmen einer Zustandsschätzung ermittelte Zustand entspricht somit einem Schätzwert des tatsächlichen realen Zustandes des Stromnetzes. Mit anderen Worten wird mittels einer Zustandsschätzung der Zustand ermittelt, welcher im Sinne eines Optimierungsproblems am besten zu den Messungen beziehungsweise den Messwerten und dem physikalischen Wirkzusammenhängen in einem Stromnetz passt. Auch wenn lediglich eine Schätzung des tatsächlichen Zustandes erreicht werden kann, so bildet der ermittelte, das heißt der geschätzte Zustand des Stromnetzes die Grundlage für mehrere übergeordnete Netzanwendungen, beispielsweise für Sicherheitsberichte, Spannungssteuerungen und/oder vorbeugende und korrigierende SCOPF (englisch: Security Constrained Optimal Power Flow).
  • Der Zustand eines Stromnetzes ist zeitabhängig, sodass eine Zustandsschätzung typischerweise in regelmäßigen Zeitabschnitten erfolgt. Beispielsweise weisen bekannte Überwachungs-, Steuerungs- und Datenerfassungssysteme (englisch: Supervisory Control and Data Acquisition; abgekürzt SCADA) für eine Zustandsschätzung einen Zeitabschnitt von etwa einer Minute auf. Mit anderen Worten besteht die technische Herausforderung darin, dass die Zustandsschätzung in Echtzeit erfolgen muss, damit die übergeordneten Netzanwendungen angewendet und abgeschlossen werden können. Eine weitere technische Herausforderung besteht darin, dass die in Echtzeit durchgeführte Zustandsschätzung ebenfalls eine ausreichende Genauigkeit aufweisen muss.
  • Im Hinblick auf das genannte zeitliche Moment ist die Verwendung eines künstlichen neuronalen Netzes (KNN) zur Zustandsschätzung vorteilhaft. Allerdings ist im Gegensatz zu klassischen Verfahren, wie beispielsweise eine Zustandsschätzung mittels eines WLS-Verfahrens (englisch: Weighted Least Square, WLS), dessen Zuverlässigkeit fraglich. Eine Abschätzung der Zuverlässigkeit des neuronalen Netzes wird beispielsweise durch Bestimmen eins maximalen Fehlers beziehungsweise Schätzfehlers eines trainierten maschinellen Lernmodells über einen unabhängigen Testdatensatz ermöglicht.
  • Allerdings hängt die Zuverlässigkeit des künstlichen neuronalen Netzes grundsätzlich von dem Trainingsdatensatz ab, mittels welchem dieses trainiert, das heißt angelernt wurde.
  • Der vorliegenden Erfindung liegt die Aufgabe zugrunde, einen verbesserten Trainingsdatensatz für ein künstliches neuronales Netz bereitzustellen, welches künstliche neuronale Netz für eine Zustandsschätzung eines Stromnetzes vorgesehen ist.
  • Die Aufgabe wird durch ein Verfahren zum Erstellen eines Trainingsdatensatzes mit den Merkmalen des unabhängigen Patentanspruches 1, ein Verfahren zum Trainieren eines künstlichen neuronalen Netzes mit den Merkmalen des unabhängigen Patentanspruches 12, ein künstliches neuronales Netz mit den Merkmalen des unabhängigen Patentanspruches 13 sowie ein Verfahren zur Zustandsschätzung mit den Merkmalen des unabhängigen Patentanspruches 14 gelöst. In den abhängigen Patentansprüchen sind vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung angegeben.
  • Das erfindungsgemäße Verfahren zum Erstellen eines zweiten Trainingsdatensatzes zum Trainieren eines für eine Zustandsschätzung eines Stromnetzes ausgebildeten künstlichen neuronalen Netzes aus einem bereitgestellten ersten Trainingsdatensatz, der mehrere Trainingspaare umfasst, wobei jedes der Trainingspaare durch einen Messdatensatz und einem zugehörigen Zustand des Stromnetzes gebildet ist, und der jeweilige Messdatensatz wenigstens mit dem Stromnetz assoziierte komplexe Scheinleistungen umfasst, ist gekennzeichnet wenigstens durch die folgenden Schritte:
    • Ermitteln wenigstens eines ersten Trainingspaares und eines zugehörigen ersten Messdatensatzes und ersten Zustandes, dessen erster Zustand bezüglich eines Trainings des künstlichen neuronalen Netzes mittels des ersten Trainingsdatensatzes einen Fehler größer oder gleich einer festgelegten Fehlerschranke aufweist;
    • Berechnen eines zweiten Zustandes des Stromnetzes mittels einer Lastflussrechnung basierend auf wenigstens einer bezüglich der komplexen Scheinleistung des ersten Messdatensatzes geänderten komplexen Scheinleistung;
    • Berechnen eines zweiten Messdatensatzes mittels eines Messmodells des Stromnetzes aus dem berechneten zweiten Zustand; und
    • Erstellen des zweiten Trainingsdatensatzes aus dem ersten Trainingsdatensatz durch ein Hinzufügen eines aus dem zweiten Messdatensatz und dem zugehörigen zweiten Zustand gebildeten zweiten Trainingspaares.
  • Das erfindungsgemäße Verfahren und/oder eine oder mehrere Funktionen, Merkmale und/oder Schritte des erfindungsgemäßen Verfahrens und/oder einer seiner Ausgestaltungen können computergestützt sein.
  • Das künstliche neuronale Netz kann im Folgenden durch KNN abgekürzt werden.
  • Ein Trainingspaar (zt,xt ) beziehungsweise ein Trainingsdatensatz ist durch einen Messdatensatz zt und einen zugehörigen Zustand xt des Stromnetzes gekennzeichnet. Die grundsätzliche Zeitabhängigkeit der Messdatensätze und der zugehörigen Zustände ist durch den Index t gekennzeichnet. Im Weiteren wird jedoch der Index t aus Übersichtlichkeitsgründen nicht ausgeschrieben.
  • Ein Zustand des Stromnetzes wird durch die Spannungen Un und Winkel δn an den Netzknoten n = 1, ...,N des Stromnetzes ausgebildet, das heißt es ist xt = (Ut,n,δt,n ), wobei die abkürzende Schreibweise (Ut,n,δt,n ) = (U t,1, ..., Ut,N.δ t,1, ...,δtN ) verwendet wird. Diese abkürzende Schreibweise wird auch für weitere Größen, insbesondere den Messdatensatz verwendet.
  • Ein Messdatensatz umfasst die komplexen Scheinleistungen Sn = Pn + iQn = (Pn, Qn ) an den Netzknoten des Stromnetzes. Hierbei ist Pn die Knotenwirkleistungen und Qn die Knotenblindleistungen des Netzknoten n. Die Scheinleistung ist durch den Betrag der komplexen Scheinleistung definiert. Der Messdatensatz umfasst die komplexen Scheinleistungen in dem Sinne, dass diese dem jeweiligen Messdatensatz entnommen werden können beziehungsweise aus diesem, beispielsweise aus Wirkleistung und Blindleistung, ermittelt werden können.
  • Der Messdatensatz bildet somit beispielsweise einen Messvektor z = (Pnm, Qnm, Pn, Qn, Un, δn ) aus, wobei Pnm die Wirkleistungen und Qnm die Blindleistungen der Leitungen (Wirk- und Blindleistungsflüsse), Pn die Knotenwirkleistungen, Qn die Knotenblindleistungen, Un die Knotenspannungen und δn die Knotenwinkel des Stromnetzes bezeichnen.
  • Das künstliche neuronale Netz wird beziehungsweise wurde mittels des ersten Trainingsdatensatzes trainiert. Hierbei werden Messdatensätze dem KNN zugeführt. Aus einem zugeführten Messdatensatz ermittelt das KNN einen zugehörigen Zustand des Stromnetzes.
  • Die durch das KNN ermittelten Zustände weisen bezüglich eines Testdatensatzes beziehungsweise eines Evaluierungsdatensatzes einen jeweiligen Fehler auf. Der erste Trainingsdatensatz kann den Testdatensatz umfassen, sodass das Training insgesamt (Training und Test) mittels des ersten Trainingsdatensatzes erfolgt. Typischerweise sind jedoch der Trainingsdatensatz und der Testdatensatz zwei getrennte beziehungsweise zwei verschiedene Datensätze.
  • Gemäß der vorliegenden Erfindung werden in einem ersten Schritt des Verfahrens die Trainingspaare, insbesondere eines Validierungsdatensatzes beziehungsweise Testdatensatzes, ermittelt, die bezüglich des Trainings des KNN oder nach Training der KNN mittels des ersten Trainingsdatensatzes einen Fehler größer oder gleich einer festgelegten Fehlerschranke aufweist. Mit anderen Worten werden Trainingspaare mit einem vergleichsweise großen Fehler ermittelt.
  • In einem zweiten Schritt des Verfahrens wird ein zweiter Zustand des Stromnetzes mittels einer Lastflussrechnung (englisch: power system simulator) basierend auf wenigstens der bezüglich der komplexen Scheinleistung des ersten Messdatensatzes geänderten komplexen Scheinleistung berechnet.
  • Mit anderen Worten wird die zu einem im ersten Schritt ermittelten Trainingspaar zugehörige komplexe Scheinleistung numerisch abgeändert, wodurch sich eine neue komplexe Scheinleistung ausbildet. Aus dieser neuen komplexen Scheinleistung wird mittels der Lastflussrechnung ein neuer, der zweite Zustand, berechnet. Das numerische Ändern der Scheinleistung des ermittelten Trainingspaares beziehungsweise des zugehörigen ermittelten Messdatensatzes kann durch eine Änderung ihres Realteils (Wirkleistung), ihres Imaginärteils (Blindleistung) und/oder einer Kombination aus den genannten Änderungen erfolgen.
  • In einem dritten Schritt des Verfahrens wird ein zweiter Messdatensatzes mittels eines Messmodells des Stromnetzes aus dem berechneten zweiten Zustand berechnet.
  • Mit anderen Worten wird der zum zweiten Zustand zugehörige Messdatensatz, das heißt ein neuer Messdatensatz, ermittelt. Dies erfolgt mittels des Messmodells des Stromnetzes, die beispielsweise durch eine Messmodellfunktion zt = h(xt ) + εt mit dem Messfehler-Term εt ausgebildet wird. Die Messfehler können normalverteilt sein. Die Messmodellfunktion ist typischerweise nichtlinear, wobei jedoch eine lineare Messmodellmatrix H mit h(x) = Hx vorgesehen sein kann. Das Messmodell beziehungsweise die Messmodellfunktion ist dadurch gekennzeichnet, dass mittels diesem beziehungsweise dieser aus einem Zustand ein Messdatensatz ermittelt werden kann.
  • Der ermittelte zweite Messdatensatz bildet zusammen mit dem zugehörigen zweiten Zustand ein neues Trainingspaar aus, nämlich das zweite Trainingspaar.
  • In einem vierten Schritt des Verfahrens wird das derart gebildete zweite Trainingspaar zum ersten Trainingsdatensatz hinzugefügt. Mit anderen Worten wird der erste Trainingsdatensatz durch ein Hinzufügen des neuen in diesem Sinne synthetisch erzeugten Trainingspaars zum zweiten Trainingsdatensatz erweitert.
  • Mittels des gegenüber dem ersten Trainingsdatensatz erweiterten zweiten Trainingsdatensatzes kann erneut das KNN oder ein weiteres KNN trainiert werden.
  • Ein Vorteil der vorliegenden Erfindung ist, dass der zweite Trainingsdatensatz für kritische Szenarien, das heißt für Trainingspaare, die einen vergleichsweise großen Fehler aufweisen, durch seine synthetische Erweiterung mittels des neu erzeugten zweiten Trainingspaares, mehr Daten aufweist. Dadurch wird die Genauigkeit des mittels des zweiten Trainingsdatensatzes trainierten künstlichen neuronalen Netzes ebenso für kritische und somit typischerweise unterrepräsentierte Ereignisse/Szenarien verbessert. Dem Erstellen des zweiten Trainingsdatensatz liegt somit die technische Überlegung zugrunde, für Szenarien in welchen das KNN vergleichsweise schlechte Ergebnisse ermittelt (Fehler größer als die festgelegte Fehlerschranke), die zudem typischerweise selten sind, weitere Daten zum Trainieren des KNN bereitzustellen. Mit anderen Worten umfasst der erfindungsgemäße zweite Trainingsdatensatz in den schlechtesten Fällen (Fehler größer als die festgelegte Fehlerschranke) mehr Daten, sodass die Genauigkeit eines entsprechend trainierten künstlichen neuronalen Netzes in diesen kritischen Fällen verbessert wird.
  • Ein weiterer Vorteil der vorliegenden Erfindung ist, dass ein langes und zeitlich aufwendiges Sammeln von Daten für seltene Ereignisse, das heißt seltene beziehungsweise unterrepräsentierte Trainingspaare, nicht erforderlich ist. Die Trainingspaare können gemäß der vorliegenden Erfindung synthetisch erzeugt werden.
  • Weiterhin wird die Auswahl geeigneter Trainingsdaten vereinfacht, da durch die vorliegende Erfindung Trainingsdaten bereitgestellt werden, die anwendungskritische Fälle selbst berücksichtigen. Eine entsprechende Zustandsschätzung, die auf einem entsprechend trainiertem künstlichen neuronalen Netz basiert, kann somit schneller und einfacher für bestehende Stromnetze implementiert werden. Insbesondere werden dadurch ebenfalls die Kosten für eine Inbetriebnahme solcher Zustandsschätzungen deutlich reduziert.
  • Das gemäß dem zweiten Trainingsdatensatz trainierte künstliche neuronale Netz kann zudem für weitere technische Anwendungen verwendet werden, in denen robuste maschinelle Lernmodelle erforderlich sind, beispielsweise für Sicherheitsberichte, Spannungssteuerungen und/oder vorbeugende und korrigierende SCOPF (englisch: Security Constraint Optimal Power Flow).
  • Das erfindungsgemäße Verfahren zum Trainieren eines künstlichen neuronalen Netzes für eine Zustandsschätzung eines Stromnetzes, ist gekennzeichnet dadurch, dass das künstliche neuronale Netz mittels eines Trainingsdatensatzes (zweiter Trainingsdatensatz) gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen trainiert wird.
  • Das erfindungsgemäße künstliche neuronale Netz für eine Zustandsschätzung eines Stromnetzes, welches als Eingänge mit dem Stromnetz assoziierte Messwerte und als Ausgang den durch die Zustandsschätzung zu ermittelnden geschätzten Zustand des Stromnetzes aufweist, ist gekennzeichnet dadurch, dass das künstliche neuronale Netz gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen trainiert ist.
  • Das erfindungsgemäße Verfahren zur Zustandsschätzung eines Stromnetzes mittels eines künstlichen neuronalen Netzes, welches als Eingänge mit dem Stromnetz assoziierte Messwerte und als Ausgang den durch die Zustandsschätzung zu ermittelnden geschätzten Zustand des Stromnetzes aufweist, ist gekennzeichnet dadurch, dass als neuronales künstliches Netz ein künstliches neuronales Netz gemäß der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen verwendet wird.
  • Der Zustandsschätzung liegen somit erfasste Messwerte und in diesem Sinne tatsächlich erfasste Messdaten zugrunde.
  • Die weiteren erfindungsgemäßen Verfahren sowie das erfindungsgemäße künstliche neuronale Netz weisen zum erfindungsgemäßen Verfahren zum Erstellen eines zweiten Trainingsdatensatzes gleichartige und gleichwertige Vorteile und/oder Ausgestaltungen auf.
  • Gemäß einer vorteilhaften Ausgestaltung der Erfindung werden die Trainingspaare des ersten Trainingsdatensatzes durch jeweils eine Lastflussrechnung erzeugt.
  • Mit anderen Worten ist bereits der erste Trainingsdatensatz ein in diesem Sinne synthetisch erzeugter Datensatz.
  • In einer vorteilhaften Weiterbildung der Erfindung werden die Trainingspaare aus synthetisch erzeugten komplexen Scheinleistungen mittels einer jeweiligen Lastflussrechnung erzeugt, wobei die komplexen Scheinleistungen aus historischen und/oder synthetischen Zeitreihen für Erzeugung und Verbrauch erzeugt wurden beziehungsweise werden.
  • Mit anderen Worten wird zunächst für realistische Zeitreihen der Stromerzeugung und/oder Stromverbrauchs (auch Speicherung) innerhalb des Stromnetzes die zugehörigen komplexen Einspeise- beziehungsweise komplexen Ausspeise-Scheinleistungen ermittelt. Die Zeitreihen können hierbei historisch und/oder synthetisch erzeugt sein. Beispielsweise werden die Zeitreihen durch synthetische Bedarfszeitreihen von Photovoltaikanlagen, Windkraftanlagen, industriellen Anlagen, Büroanlagen und/oder dergleichen erzeugt beziehungsweise durch diese bereitgestellt. Dadurch kann für mehrere Netzknoten des Stromnetzes, insbesondere für jeden Netzkonten des Stromnetzes, eine zugehörige komplexe Scheinleistung St,n = (Pt,n,Qt,n ) ermittelt werden. Anschließend wird wiederum mittels einer Lastflussrechnung FPF:St,n → (Ut,n.δt,n ) aus diesen komplexen Scheinleistungen ein Zustand des Stromnetzes berechnet. Dadurch wird sinnbildlich ein tatsächlicher oder ein wahrer Zustand xt = (Ut,n, δt,n ) des Stromnetzes ermittelt. Der zu diesem Zustand xt zugehörige Messdatensatz zt kann dann wiederum mittels der Modellmessfunktion durch zt = h(xt ) + εt ermittelt werden. Dadurch können die Trainingspaare ( zt,xt ) des ersten Trainingsdatensatzes erzeugt werden.
  • Der erste Trainingsdatensatz sollte bevorzugt wenigstens 100, besonders bevorzugt wenigstens 1000 Trainingspaare umfassen. Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird wenigstens eine komplexe Scheinleistung des ersten Messdatensatzes durch eine Addition von normalverteilten Zufallszahlen geändert.
  • Mit anderen Worten wird wenigstens eine Scheinleistung eines Netzknoten, bevorzugt mehrere Scheinleistungen von zugehörigen mehreren Netzknoten, durch St → St + ΔS mit ΔS normalverteilt geändert. Dadurch ergibt sich die neue Scheinleistung S t ʹ = S t + Δ S ,
    Figure imgb0001
     die der Lastflussrechnung gemäß des zweiten Schrittes zugrunde gelegt wird. Vorteilhafterweise können dadurch entsprechend der Verteilung von ΔS mehrere Zustände und somit mehrere Trainingspaare für das kritische Szenario St zum zweiten Trainingsdatensatz hinzugefügt werden.
  • Alternativ oder ergänzend kann bevorzugt die wenigstens eine komplexe Scheinleistung des ersten Messdatensatzes durch eine Skalierung geändert werden. Mit andren Worten ist in diesem Fall S t ʹ = αS t
    Figure imgb0002
     mit α der Skalierungsfaktor. Beispielsweise ist α = 1 - β wobei β die Abweichung von der ursprünglichen komplexen Scheinleistung bemisst. Bevorzugt ist β∈[0,0.2], das heißt es wird maximal eine Änderung/Abweichung von 20 Prozent verwendet.
  • In einer vorteilhaften Weiterbildung der Erfindung wird eine der komplexen Scheinleistungen des ersten Messdatensatzes geändert, wenn deren Betrag größer oder gleich einem festgelegten Schwellenwert ist.
  • Mit anderen Worten werden bevorzugt die komplexen Scheinleistungen an den Netzknoten geändert, deren Netzknoten eine vergleichsweise betragsmäßige erhöhte Scheinleistung aufweisen. Der Betrag der komplexen Scheinleistung ist die Scheinleistung, sodass an diesen Netzknoten die Scheinleistung erhöht ist. Dies ist beispielsweise an Netzknoten der Fall, an welchen erhöht eingespeist, beispielsweise durch erneuerbare Energieerzeuger, oder erhöht ausgespeist wird.
  • Gemäß einer bevorzugten Ausgestaltung der Erfindung werden die mit den Zuständen des ersten Trainingsdatensatzes assoziierten Fehler durch ein Training des künstlichen neuronalen Netzes mit dem ersten Trainingsdatensatz bestimmt.
  • Mit andere Worten umfasst der erste Trainingsdatensatz bevorzugt einen Testdatensatz sowie einen Datensatz, mittels welchem das Anlernen erfolgt. Das angelernte KNN wird dann mittels des Testdatensatzes geprüft, das heißt evaluiert. Hierbei werden die genannten Fehler bestimmt.
  • Umfasst der erste Trainingsdatensatz zu wenig oder keine Testdaten, so ist es bevorzugt diesen zum Bestimmen der Fehler in zwei Teiltrainingsdatensätze aufzuteilen, wobei der erste Teiltrainingsdatensatz zum Training des künstlichen neuronalen Netzes und der zweite Teiltrainingsdatensatz (Testdatensatz) zur Evaluation der durch das Training ermittelten Zustände verwendet wird.
  • Dadurch kann vorteilhafterweise ein Testdatensatz bereitgestellt werden. Beispielsweise werden 70 Prozent der Trainingsdaten für das Anlernen und 30 Prozent der Daten für das Testen beziehungsweise für das Evaluieren der durch das Anlernen bestimmten Zustände verwendet.
  • In einer vorteilhaften Weiterbildung der Erfindung sind die komplexen Scheinleistungen durch mit den Netzknoten assoziierte Wirkleistungen und Blindleistungen ausgebildet.
  • Mit anderen Worten werden die komplexen Scheinleistungen bevorzugt durch die Knotenwirkleistungen und Knotenblindleistungen ausgebildet.
  • Gemäß einer vorteilhaften Ausgestaltung der Erfindung wird der erste Messdatensatz und/oder zweite Messdatensatz durch mit den Netzknoten und/oder mit Leitungen des Stromnetzes assoziierte Spannungen, Ströme, Wirkleistungen und/oder Blindleistungen ausgebildet.
  • Vorteilhafterweise könne dadurch die typischerweise verwendeten Messwerte durch das entsprechend trainierte künstliche neuronale Netz berücksichtigt werden, das heißt als Eingänge zur Ermittlung des Zustandes verwendet werden.
  • In einer bevorzugten Weiterbildung der Erfindung wird der Zustand des Stromnetzes durch Spannungen und Winkel an einem oder mehreren Netzknoten des Stromnetzes ausgebildet.
  • Vorteilhafterweise entspricht somit der Ausgang des entsprechend trainierten künstlichen neuronalen Netzes einem Zustand des Stromnetzes, wie er typischerweise definiert und verwendet wird.
  • Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus den im Folgenden beschriebenen Ausführungsbeispielen sowie anhand der Zeichnungen. Dabei zeigen schematisiert:
    • Figur 1 ein Verlaufsdiagramm der vorliegenden Erfindung; und
    • Figur 2 eine mögliche Darstellung eines kritisches Trainingspaares.
  • Gleichartige, gleichwertige oder gleichwirkende Elemente können in einer der Figuren oder in den Figuren mit denselben Bezugszeichen versehen sein.
  • Die Figur 1 zeigt ein schematisches Verlaufsdiagramm der vorliegenden Erfindung.
  • Bei dem dargestellten Verfahren zum Erstellen eines zweiten Trainingsdatensatzes zum Trainieren eines für eine Zustandsschätzung eines Stromnetzes ausgebildeten künstlichen neuronalen Netzes aus einem bereitgestellten zweiten Trainingsdatensatz, der mehrere Trainingspaare umfasst, wobei jedes der Trainingspaare durch einen Messdatensatz und einem zugehörigen Zustand des Stromnetzes gebildet ist, und der jeweilige Messdatensatz wenigstens mit dem Stromnetz assoziierte komplexe Scheinleistungen umfasst, werden wenigstens die Schritte S1 bis S4 durchgeführt.
  • Im ersten Schritt S1 des Verfahrens wird wenigstens ein erstes Trainingspaar und ein zugehöriger erster Messdatensatzes und erster Zustand ermittelt, dessen erster Zustand bezüglich eines Trainings des künstlichen neuronalen Netzes mittels des ersten Trainingsdatensatzes einen Fehler größer oder gleich einer festgelegten Fehlerschranke aufweist.
  • Diese derart ermittelten Trainingspaare werden ebenfalls als kritische Trainingspaare oder kritische Szenarien bezeichnet.
  • Im zweiten Schritt S2 des Verfahrens wird ein zweiter Zustand des Stromnetzes mittels einer Lastflussrechnung basierend auf wenigstens einer bezüglich der komplexen Scheinleistung des ersten Messdatensatzes geänderten komplexen Scheinleistung berechnet.
  • Die komplexe Scheinleistung eines kritischen Trainingspaares kann ebenfalls als kritische komplexe Scheinleistung bezeichnet werden.
  • Im dritten Schritt S3 des Verfahrens wird ein zweiter Messdatensatz mittels eines Messmodells des Stromnetzes aus dem berechneten zweiten Zustand berechnet.
  • Im vierten Schritt S4 des Verfahrens wird der zweite Trainingsdatensatz aus dem ersten Trainingsdatensatz durch ein Hinzufügen eines aus dem zweiten Messdatensatz und dem zugehörigen zweiten Zustand gebildeten zweiten Trainingspaares erstellt.
  • Durch die Schritte S1 bis S4 wird somit ein neuer Trainingsdatensatz, das heißt der zweite Trainingsdatensatz erstellt, der bezüglich kritischer Trainingspaare/Szenarien mehr Daten aufweist. Dadurch wird ein entsprechend trainiertes künstliches neuronales Netz in seiner Genauigkeit bezüglich einer Zustandsschätzung des Stromnetzes verbessert.
  • Die Figur 2 zeigt ein schematisiertes Stromnetz 1 mit seinen zugehörigen Netzknoten 41, wobei aus Übersichtsgründen lediglich zwei Netzknoten des Stromnetzes durch das Bezugszeichen 41 gekennzeichnet sind. Mit anderen Worten zeigt die Figur 2 ein Trainingspaar im Sinne der vorliegenden Erfindung und/oder einer ihrer Ausgestaltungen, wobei lediglich die Scheinleistungen des zugehörigen Messdatensatzes dargestellt sind.
  • In der Figur 2 sind die Netzknoten 41 verschieden schraffiert, wobei die verschiedenen Schraffierungen die verschiedenen Werte der Scheinleistung (Betrag der komplexen Scheinleistung) kennzeichnen. Somit ist mit jedem Netzknoten 41 eine Scheinleistung assoziiert.
  • Weiterhin weist das Stromnetz Netzknoten 41 auf, die eine vergleichsweise hohe Scheinleistung aufweisen. Diese Netzknoten sind in der Figur zusätzlich durch das Bezugszeichen 42 gekennzeichnet. Mit anderen Worten weisen diese Netzkonten 42 eine Scheinleistung auf, die größer oder gleich einem festgelegten Schwellenwert ist. Beispielsweise liegt eine solche vergleichsweise hohe Scheinleistung durch die Einspeisung einer oder mehrerer Photovoltaikanlagen vor. Mit anderen Worten wird in Figur 2 ein kritisches Trainingspaar im Sinne der vorliegenden Erfindung dargestellt beziehungsweise verdeutlicht.
  • Typischerweise weisen die Netzknoten 42 bei einem Training eines künstlichen neuronalen Netzes einen vergleichsweise hohen Fehler auf, das heißt, dass ihr Fehler größer oder gleich einer festgelegten Fehlerschranke ist. Das ist zum einen deshalb der Fall, da die Netzknoten 41 typischerweise eine hohe Varianz bezüglich der Scheinleistung und/oder ihres Zustandes aufweisen und weiterhin unterrepräsentiert innerhalb eines Trainingsdatensatzes sind.
  • Gemäß einer Ausgestaltung der vorliegenden Erfindung wird nun wenigstens eine Scheinleistung, bevorzugt eines Netzknotens 42, geändert, beispielsweise durch eine Addition einer normalverteilten Zufallszahl. Dadurch bildet sich ein neues zur dargestellten Figur vergleichbares Stromnetz 1 mit wenigstens einer, bevorzugt mehreren geänderten Scheinleistungen aus. Anschließend wird durch eine Lastflussrechnung ein neuer Zustand ermittelt und aus dem neuen Zustand mittels eines Messmodells des Stromnetzes 1 ein neuer Messdatensatz erzeugt. Der neue Zustand und der neue Messdatensatz bildet ein neues Trainingspaar aus, das zum Training einer KNN verwendet werden kann.
  • Obwohl die Erfindung im Detail durch die bevorzugten Ausführungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt oder andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
    • Bezugszeichenliste
    • S1
    erster Schritt
    S2
    zweiter Schritt
    S3
    dritter Schritt
    S4
    vierter Schritt
    1
    Stromnetz
    41
    Netzknoten
    42
    kritischer Netzknoten

Claims (15)

  1. Verfahren zum Erstellen eines zweiten Trainingsdatensatzes zum Trainieren eines für eine Zustandsschätzung eines Stromnetzes (1) ausgebildeten künstlichen neuronalen Netzes aus einem bereitgestellten ersten Trainingsdatensatz, der mehrere Trainingspaare umfasst, wobei jedes der Trainingspaare durch einen Messdatensatz und einem zugehörigen Zustand des Stromnetzes (1) gebildet ist, und der jeweilige Messdatensatz wenigstens mit dem Stromnetz assoziierte komplexe Scheinleistungen umfasst, gekennzeichnet durch die Schritte:
    - (S1) Ermitteln wenigstens eines ersten Trainingspaares und eines zugehörigen ersten Messdatensatzes und ersten Zustandes, dessen erster Zustand bezüglich eines Trainings des künstlichen neuronalen Netzes mittels des ersten Trainingsdatensatzes einen Fehler größer oder gleich einer festgelegten Fehlerschranke aufweist;
    - (S2) Berechnen eines zweiten Zustandes des Stromnetzes mittels einer Lastflussrechnung basierend auf wenigstens einer bezüglich der komplexen Scheinleistung des ersten Messdatensatzes geänderten komplexen Scheinleistung;
    - (S3) Berechnen eines zweiten Messdatensatzes mittels eines Messmodells des Stromnetzes aus dem berechneten zweiten Zustand; und
    - (S4) Erstellen des zweiten Trainingsdatensatzes aus dem ersten Trainingsdatensatz durch ein Hinzufügen eines aus dem zweiten Messdatensatz und dem zugehörigen zweiten Zustand gebildeten zweiten Trainingspaares.
  2. Verfahren gemäß Anspruch 1, gekennzeichnet dadurch, dass die Trainingspaare des ersten Trainingsdatensatzes durch jeweils eine Lastflussrechnung erzeugt werden.
  3. Verfahren gemäß Anspruch 2, gekennzeichnet dadurch, dass die Trainingspaare aus synthetisch erzeugten komplexen Scheinleistungen mittels einer jeweiligen Lastflussrechnung erzeugt werden, wobei die komplexen Scheinleistungen aus historischen und/oder synthetischen Zeitreihen für Erzeugung und Verbrauch erzeugt werden.
  4. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die wenigstens eine komplexe Scheinleistung des ersten Messdatensatzes durch eine Addition von normalverteilten Zufallszahlen geändert wird.
  5. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die wenigstens eine komplexe Scheinleistung des ersten Messdatensatzes durch eine Skalierung geändert wird.
  6. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass eine der komplexen Scheinleistungen des ersten Messdatensatzes geändert wird, wenn deren Betrag größer oder gleich einem festgelegten Schwellenwert ist.
  7. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die mit den Zuständen des ersten Trainingsdatensatzes assoziierten Fehler durch ein Training des künstlichen neuronalen Netzes mit dem ersten Trainingsdatensatz bestimmt werden.
  8. Verfahren gemäß Anspruch 7, gekennzeichnet dadurch, dass zum Bestimmen der Fehler der erste Trainingsdatensatz in zwei Teiltrainingsdatensätze aufgeteilt wird, wobei der erste Teiltrainingsdatensatz zum Training des künstlichen neuronalen Netzes und der zweite Teiltrainingsdatensatz zur Evaluation der durch das Training ermittelten Zustände verwendet wird.
  9. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass die komplexen Scheinleistungen durch mit den Netzknoten (41, 42) assoziierte Wirkleistungen und Blindleistungen ausgebildet werden.
  10. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass der erste Messdatensatz und/oder zweite Messdatensatz durch mit den Netzknoten (41, 42) und/oder mit Leitungen des Stromnetzes (1) assoziierte Spannungen, Ströme, Wirkleistungen und/oder Blindleistungen ausgebildet wird.
  11. Verfahren gemäß einem der vorhergehenden Ansprüche, gekennzeichnet dadurch, dass der Zustand des Stromnetzes (1) durch Spannungen und Winkel an einem oder mehreren Netzknoten (41, 42) des Stromnetzes (1) ausgebildet wird.
  12. Verfahren zum Trainieren eines künstlichen neuronalen Netzes für eine Zustandsschätzung eines Stromnetzes (1), gekennzeichnet dadurch, dass das künstliche neuronale Netz mittels eines Trainingsdatensatzes gemäß einem der vorhergehenden Ansprüche trainiert wird.
  13. Künstliches neuronales Netz für eine Zustandsschätzung eines Stromnetzes, welches als Eingänge mit dem Stromnetz (1) assoziierte Messwerte und als Ausgang den durch die Zustandsschätzung zu ermittelnden geschätzten Zustand des Stromnetzes (1) aufweist, gekennzeichnet dadurch, dass das künstliche neuronale Netz gemäß Anspruch 12 trainiert ist.
  14. Verfahren zur Zustandsschätzung eines Stromnetzes mittels eines künstlichen neuronalen Netzes, welches als Eingänge mit dem Stromnetz (1) assoziierte Messwerte und als Ausgang den durch die Zustandsschätzung zu ermittelnden geschätzten Zustand des Stromnetzes (1) aufweist, gekennzeichnet dadurch, dass als neuronales künstliches Netz ein künstliches neuronales Netz gemäß Anspruch 13 verwendet wird.
  15. Verfahren gemäß Anspruch 14, gekennzeichnet dadurch, dass als Messwerte mit Netzknoten (41, 42) und/oder mit Leitungen des Stromnetzes (1) assoziierte und erfasste Spannungen, Ströme, Wirkleistungen und/oder Blindleistungen verwendet werden.
EP21162647.8A 2021-03-15 2021-03-15 Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes Active EP4060559B1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP21162647.8A EP4060559B1 (de) 2021-03-15 2021-03-15 Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes
US17/694,294 US20220292353A1 (en) 2021-03-15 2022-03-14 Training Dataset, Training and Artificial Neural Network for the State Estimation of a Power Network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP21162647.8A EP4060559B1 (de) 2021-03-15 2021-03-15 Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes

Publications (3)

Publication Number Publication Date
EP4060559A1 true EP4060559A1 (de) 2022-09-21
EP4060559C0 EP4060559C0 (de) 2024-01-10
EP4060559B1 EP4060559B1 (de) 2024-01-10

Family

ID=74874751

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21162647.8A Active EP4060559B1 (de) 2021-03-15 2021-03-15 Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes

Country Status (2)

Country Link
US (1) US20220292353A1 (de)
EP (1) EP4060559B1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024106047A1 (de) * 2024-03-01 2025-09-04 E.On Se Trainingsverfahren zum Trainieren eines künstlichen neuronalen Netzes für ein Netzübergabemodul, Netzübergabemodul, Netzstation und ein Betriebsverfahren zum Betreiben einer Netzstation

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10546054B1 (en) * 2018-02-28 2020-01-28 Intuit Inc. System and method for synthetic form image generation
US20200327264A1 (en) * 2019-04-12 2020-10-15 General Electric Company Systems and methods for enhanced power system model calibration

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5625751A (en) * 1994-08-30 1997-04-29 Electric Power Research Institute Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system
US11297142B2 (en) * 2019-01-31 2022-04-05 Nec Corporation Temporal discrete event analytics system
US20200292608A1 (en) * 2019-03-13 2020-09-17 General Electric Company Residual-based substation condition monitoring and fault diagnosis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10546054B1 (en) * 2018-02-28 2020-01-28 Intuit Inc. System and method for synthetic form image generation
US20200327264A1 (en) * 2019-04-12 2020-10-15 General Electric Company Systems and methods for enhanced power system model calibration

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024106047A1 (de) * 2024-03-01 2025-09-04 E.On Se Trainingsverfahren zum Trainieren eines künstlichen neuronalen Netzes für ein Netzübergabemodul, Netzübergabemodul, Netzstation und ein Betriebsverfahren zum Betreiben einer Netzstation

Also Published As

Publication number Publication date
EP4060559C0 (de) 2024-01-10
US20220292353A1 (en) 2022-09-15
EP4060559B1 (de) 2024-01-10

Similar Documents

Publication Publication Date Title
EP2649567A1 (de) Verfahren zur rechnergestützten modellierung eines technischen systems
EP3268713B1 (de) Verfahren zum erstellen eines modell-ensembles zur kalibrierung eines steuergerätes
EP2854045A1 (de) Verfahren und System zum Bewerten von erhobenen Messwerten eines Systems
DE10006455A1 (de) Verfahren zum Betrieb einer technischen Anlage
EP4060559B1 (de) Trainingsdatensatz, training sowie künstliches neuronales netz für die zustandsschätzung eines stromnetzes
EP4057482B1 (de) Verfahren und vorrichtung zur zustandsschätzung eines elektrischen netzes
EP3812949A1 (de) Konfigurierbarer digitaler zwilling
EP3296565B1 (de) Verfahren und system zum analysieren eines zustands einer windenergieanlage
EP3942372B1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
EP3356834B1 (de) Verfahren zum rechnergestützten ermitteln von parametern eines elektrochemischen energiespeichers
EP3460727A1 (de) Verfahren zur untersuchung eines funktionsverhaltens eines technischen systems und auswerteeinheit
WO1999017176A1 (de) Diagnosemodul zum erstellen einer diagnose für elektrisch ansteuerbare systeme und diagnoseeinrichtung zum erstellen einer gesamtsystemdiagnose
WO2020229050A1 (de) Verfahren zur validierung von systemparametern eines energiesystems, verfahren zum betrieb eines energiesystems sowie energiemanagementsystem für ein energiesystem
WO2021063568A1 (de) Verfahren zur parameteridentifikation eines black-box-modells für eine oder mehrere energietechnische anlagen eines energiesystems
WO1999041650A1 (de) Prozess- und anlagendiagnoseverfahren
EP4278098A1 (de) Verfahren zur bereitstellung wenigstens einer information über eine hydraulische anlage
DE102023203985B3 (de) Verfahren zur Erzeugung von Eingangsdaten für eine Zustandsschätzung eines Stromnetzes, Zustandsschätzung sowie Steuerung eines Stromnetzes
AT524724A1 (de) Testverfahren für ein virtuelles Testen einer Brennstoffzelle
AT528033B1 (de) Alterungsverfahren für eine nutzungsspezifische beschleunigte Alterung von Batteriezellen auf einem Prüfstand zur Erzeugung von Kalibrierinformationen
DE102013209917A1 (de) System und Verfahren zum Berechnen einer Produktivität einer industriellen Anlage
DE102020133654B3 (de) Computerimplementiertes Verfahren zur Modifizierung einer Komponente eines computergenerierten Modells eines Kraftfahrzeugs
DE102024207146A1 (de) Computerimplementiertes Verfahren zum Bestimmen einer Platzierung von Messgeräten in einem Verteilnetz
EP4531238A1 (de) Qualitätsverbesserung von niederspannungs-netzzustandsschätzungsverfahren durch simulationsunterstützte topologieverifikation
DE102020116022A1 (de) Verfahren zur zustandsbasierten Instandhaltung einer Zugangsvorrichtung
DE102021133881A1 (de) Verfahren zur Ermittlung einer Zustandsentwicklung eines Stromnetzes

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230320

RBV Designated contracting states (corrected)

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

RIC1 Information provided on ipc code assigned before grant

Ipc: H02J 3/00 20060101ALI20230801BHEP

Ipc: G06N 3/02 20060101AFI20230801BHEP

INTG Intention to grant announced

Effective date: 20230821

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 502021002396

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: GERMAN

U01 Request for unitary effect filed

Effective date: 20240110

U07 Unitary effect registered

Designated state(s): AT BE BG DE DK EE FI FR IT LT LU LV MT NL PT SE SI

Effective date: 20240115

U20 Renewal fee for the european patent with unitary effect paid

Year of fee payment: 4

Effective date: 20240318

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240510

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240411

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: RS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240410

Ref country code: HR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: RS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240410

Ref country code: NO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240410

Ref country code: IS

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240510

Ref country code: HR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240411

Ref country code: ES

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: PL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: PL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

REG Reference to a national code

Ref country code: DE

Ref legal event code: R097

Ref document number: 502021002396

Country of ref document: DE

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SM

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: SM

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

Ref country code: SK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

Ref country code: RO

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

Ref country code: CZ

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

REG Reference to a national code

Ref country code: CH

Ref legal event code: PL

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MC

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MC

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110

26N No opposition filed

Effective date: 20241011

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20240315

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20240315

Ref country code: CH

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20240331

U20 Renewal fee for the european patent with unitary effect paid

Year of fee payment: 5

Effective date: 20250320

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: GB

Payment date: 20250403

Year of fee payment: 5

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: CY

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT; INVALID AB INITIO

Effective date: 20210315

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: HU

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT; INVALID AB INITIO

Effective date: 20210315

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: TR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240110